移动网络、社交媒体以及手机定位技术在近些年来取得了飞速的发展,用户可以方便地获取自己当前的位置,因此基于位置的社交网络(Location-Based Social Networks,LBSNs)也随之诞生了。LBSNs中的用户可以使用手机等移动设备在当前正在访问的地点上进行签到,并分享给朋友。但是随着用户数和地点数急速增多,如何在海量数据信息中挖掘用户的偏好,并为用户提供个性化的POI推荐成为了推荐领域中的一个很热门的研究方向。大量的学者和专家提出了很多很有价值的POI推荐算法,但由于受到了冷启动、数据稀疏性等问题的影响,导致现有的某些基于LBSN的POI推荐算法的推荐效果并不是很理想。本文针对现有经典的POI推荐算法的优缺点以及位置社交网络自身的特点,利用社交关系等信息来辅助预测用户的兴趣偏好,提高了个性化地点推荐的准确性。下面是本文主要的研究成果:1)基于广义矩阵分解,本文研究了一个基于深度学习的地点推荐模型,即神经矩阵分解NeuMF模型。2)通过将社交关系融入到GMF和多层感知机MLP两个模型,本文对这个两个模型分别进行了改进和扩展,并组合得到了神经矩阵分解NeuMF模型。3)在两个公开的数据集BrightLike和Gawalla上进行实验,发现改进后的GMF和多层感知机MLP模型效果均比它们的原始模型效果更好。与基于矩阵分解算法的经典算法进行了对比实验,结果也表明改进后的NeuMF优于传统算法。